Основные понятия
Ein hybrides Modellierungsverfahren, das Statistik und einen konvolutionalen Autoencoder mit einem dynamischen Schwellenwert kombiniert, um in Echtzeit Anomalien in Energieverbrauchsdaten zu erkennen.
Аннотация
Die Studie präsentiert einen dynamischen Anomalieerkennungsrahmen, der Convolutional Neural Networks (CNN) mit Autoencoder-Modellen integriert. Der Ansatz erfasst räumliche Muster und Korrelationen in Verbrauchszeitreihen, was die Genauigkeit der Anomalieerkennung verbessert. Das Modell verwendet Rekonstruktionsfehler und Mahalanobis-Distanz, um Datenmuster und Anomalien zu verstehen. Gleitende Durchschnitte glätten verrauschte Daten und etablieren dynamische Schwellenwerte, was eine Echtzeitanomalieerkennung ermöglicht. Der Rahmen erkannte erfolgreich 622 Anomalien in ungesehenen Testdaten und liefert wertvolle Erkenntnisse für die Überwachung und das Management des Energieverbrauchs.
Статистика
Der durchschnittliche Energieverbrauch beträgt etwa 135,68 Einheiten mit einer Standardabweichung von 50,08 Einheiten, was auf eine mäßige Variabilität hinweist.
Der minimale Verbrauch beträgt 0 Einheiten und der maximale 425 Einheiten.
Die Verteilung des Rekonstruktionsfehlers ist auf der linken Seite des Plots konzentriert, was darauf hindeutet, dass die meisten Eingabesequenzen vom Autoencoder gut rekonstruiert werden.
Цитаты
"Der Ansatz erfasst räumliche Muster und Korrelationen in Verbrauchszeitreihen, was die Genauigkeit der Anomalieerkennung verbessert."
"Gleitende Durchschnitte glätten verrauschte Daten und etablieren dynamische Schwellenwerte, was eine Echtzeitanomalieerkennung ermöglicht."